"곤충들은 일반적으로 지능적이라고 간주되지 않는다. 그러나 그들은 대단히 강건한 장치들이다. 그들은 역동적인 세계에서 작동되며 사냥, 식사, 교미, 집짓기, 그리고 유충 기르기 등을 포함하는 여러 복잡한 임무들을 수행한다. 곤충들에게 그들의 목표들을 달성하는 능력들을 손상시키는 비, 강한 돌풍, 천적, 불규칙한 음식 공급이 생길 수도 있다. 하지만 통계적으로 곤충들은 성공한다. 인간의 어떤 시스템도 그와 같이 믿음직하지 못하다..."

-AI through Building Robots, 1986, Rodney Brooks-

■　새로운 접근방법

누구나 한번쯤은 방안을 날아다니는 파리를 관찰(?)해 보았을 것이다. 여기서 전통적인 인공지능(AI)의 접근방법을 배경으로 파리의 입장을 생각해 보는 것은 여러모로 흥미롭다.

과연 그 파리는 시각적으로 방안의 모든 물체들의 3차원적 표면들을 인식할까? 자신을 잡기 위해서 파리채를 잡고 있는 인간의 의도와 생각들에 대해서 분석을 하고 있을까? 사람들과 각종 집기(의자, 침대, 창문, 그릇 등)들의 원형(prototypes)들을 재연할 수 있을까? 썩은 돼지고기와 다른 음식들 사이에서 어떤 곳에 알을 낳을 것인가를 갖고 고민을 할까? 또는 나름대로 어떻게 벽에 안착할지를 가지고 초보적인 물리이론을 구성해 낼 수 있을까?

이쯤 되면 파리를 가지고 별 엉뚱한 질문들을 다 한다고 말할 것이다. 하지만 이러한 의문들은 실질적으로 인공지능(AI)과 로봇학에서 지금까지도 끊임없이 추구되고 있는 것들이다. 웃지 못할 사실은 그러한 고차원적 사유들이 불가능한 곤충들은 역동적인 현실세계에서 놀랍게 생존해 나가는 반면에 그보다 훨씬 지능적이라 여겨지는 실험실들의 로봇들은 실험실 밖을 벗어나지 못하고 있다는 것이다. 파리가 사전에 지시된 행동패턴들과 단순한 비행기술 그리고 거의 결정론적인 기계의 성격을 가지고 앞의 질문들과는 전혀 다른 방식으로 생존해 나간다는 점에서 이 글은 출발한다.



■　전통적 AI의 문제점들

과거의 인공지능(AI) 연구에서는 세계를 완전하고 분명하게 재현하는 것이 성공의 지름길로 간주가 되었었다. 현실은 비교적 단조롭고 간단한 의미론(semantics)으로 이루어진 블록의 세계로 묘사되었고 탐색(search)의 기능을 통해서 이렇게 잘 이해된 세계를 기획해(planning) 나갔다. 이러한 블록 세계는 심지어 시각 연구와 로봇학에서도 널리 이용되었다. 그러한 맥락에서 움직이는 로봇을 위해 인위적인 환경을 만들어 주는 것은 매우 일반적이었다. 실험실에선 일률적인 특성을 지닌 벽들과 바닥으로 이루어진 방들이 만들어졌고 그 안의 가구들 역시 특별히 제작되어짐으로써 '자연스러운' 혹은 '실제적인'이라는 이름 아래에 특수한 환경들이 설정되었다. 이러한 방식으로 인해서 그 안에서 벌어질 수 있는 모든 인식 방법들과 사건들이 예측 가능할 수 있었다. 이는 정작 지능의 핵심이자 어려운 부분인 인식의 추상화(예로 수없이 많은 종류와 재질의 의자들을 감지했을 때 그것을 모두 의자라고 구분할 수 있는가의 능력)가 사람들에 의해서 주어짐으로써 지능의 본질에서 멀어지고 만 것이다. 더군다나 사람들이나 기타 다른 둘 이상의 대상들이 일정한 시간과 공간을 공유할 때에 환경은 역동적이고 예측 불가능하게 바뀐다. 기본적으로 로봇들은 이러한 역동성을 전제로 제작되었어야 했다. 결국, 단순하게 추상화된 세계에 대한 적용에서 출발해서 점차적으로 복잡하고 역동적인 세계로 발전시킨다는 원래의 취지는 결과적으로 비현실적인 가상의 세계에 갇혀서 헤매는 결과를 낳았다.

또한, 우리가 살고 있는 실제의 세계에서는 인식을 통한 추상화와 추론 사이의 명확한 구분이 불가능하다. 현재 AI의 또 다른 약점은 그러한 사실을 외면하고 있다는 데 있다. 기본적으로 현재에 이루어지고 있는 대부분의 프로그래밍에서도 추상화의 과정이 포함되기 때문에 블록의 색과 형질이 조금 다를 뿐 AI는 여전히 블록의 세계에 머물러 있다고 하겠다. 물론 AI 프로그래밍 상에서 이루어지는 이러한 추상화는 다른 모든 과학분야에서 일어나는 환원주의(reductionism)의 일환이라고 반박할 수도 있을 것이다. 추상화가 받아들이는 정보의 양을 걸러서 인간과 비슷한 인식세계를 형성한다는 주장도 만만치 않다. 하지만 Rodney Brooks는 Uexküll 등의 주장을 빌어 다른 종의 동물들은(로봇은 말할 것도 없이) 인간의 것과는 다른 고유한 인식세계를 형성할 것이라고 말하면서 그러한 주장들을 일축한다. 게다가 우리가 프로그램에 부여한 인식세계는 우리의 내적 성찰에 근거를 두고 있지만 그것이 실제적으로 일어나고 있는 인식과정과는 차이가 있는 '커뮤니케이션을 위한 인식 결과'일 수도 있다는 점을 심각하게 생각해보지 않을 수 없다. (대부분의 사람들은 자신들의 시각에 커다란 맹점(문자 그대로)이 있음을 인식하지 못한다. 또한 색채, 맛, 고통의 감각도 실제로 존재하는 것이 아니라 감각기관들이 만들어낸 것이다.) 결과적으로 이는 실제의 감지장치들과 인식 과정이 인간이 가정한 인식세계의 논리들과 일치하지 않을 수도 있다는 문제점과 심지어 인간의 오감에 의한 인식조차도 실제의 인식세계와 다를 수 있다는 점을 제기하면서 새로운 방법의 모색을 요구한다.



■　행동(Behavior)을 기반으로 한 지능으로의 이동

진정한 지능은 방대한 종류의 부수적 능력과 경험, 지식들을 요구한다. 그와 같은 시스템은 단순한 과정을 통해서 만들어질 수 없고 기본적으로 여러 요소들과 시간을 필요로 한다. 인공지능(AI) 역시 마찬가지이다. 하지만 진정한 지능은 너무도 복잡한 현상이기 때문에 각 부분들을 따로 만들어 이를 조합해서 작동하기를 기대하기는 무리이다. 게다가 아직도 지능에 대한 연구가 초보적인 단계를 벗어나지 못하고 있기 때문에 제대로 각 기능별로 분해하기조차 어렵다. 그렇기 때문에 대안으로써 점차적으로 지능을 쌓아 나가는 생물학적인 접근 방법이 설득력을 갖게 된다. 이를 위해서는 단순한 시스템들을 실제 세계에서 오류 없이 작동시켜야 한다. 여기서 중요하게 제기되는 것은 그러한 점진적인 지능으로 가는 분해 방법을 발견하는 것이다.

기본적으로 기존의 인공지능(AI)에서 분해의 기준으로 정보처리기능이 기초를 이루었다. 이러한 기준의 가장 큰 문제점은 조정의 중앙집중현상이 발생한다는 것이다. 이는 미세한 문제들조차도 중앙시스템의 기획을 거쳐야 하기 때문에 자연히 속도가 떨어지고 추상화와 단순화가 불가피해진다. 이에 반해서 Brooks가 주장하는 것은 단순한 행동(behavior)들의 연합으로 지능을 분해해 나가는 방법이다. 결국 보다 단순한 행동들을 수행하는 시스템들을 개발하고 그들을 쌓아 나가면서 보다 복잡한 시스템을 만들어 가는 것이다. 이 방법이 가지는 장점은 시스템 전반에 걸쳐서 조정이 분산될 수 있다는 것이며 이는 가장 약한 부분에 의해서 좌우되던 기존의 방식과 차이를 보인다. 또한 전체적으로 병렬적(parallel)인 시스템에 의해 나타나는 여분(redundancy)과 강건함(robustness)으로 인해 어떤 상황에 대처하는데 하나 이상의 대응들이 도출될 수 있다는 장점을 지닌다.



■　생물적 진화의 교훈

우리에겐 이미 지능적 존재의 가능성에 대한 명백한 증거가 있다. 거울을 바라보면 그 대표적인 예가 보일 것이다. 결국 진화는 많은 종류의 원형(prototypes)들을 만들어 냈다. 그들은 46억 년의 세월을 거치면서 형성된 것이다. 그 시간을 대충 짚어보는 것은 의미가 있다. 대충 35억 년 전에 첫 단세포 개체가 원시수프 사이에서 탄생된 것으로 추정된다. 그후 일억 년 후에 광합성 식물이 등장했고 5.5억 년 전에 첫 물고기와 척추동물에 이르렀으며 4.5억 년 전에 곤충들이 등장했다. 그로부터 속도가 붙기 시작한다. 파충류가 3.7억 년 전에 출현하고 공룡이 뒤이어 3.3억 년 전에 그리고 포유류가 2.5억 년 전에 나타났다. 첫 원시인이 1.2억 년 전에 등장했고 현생인류가 대충 250만 년 전에 출현했다. 인류는 19,000년 전에 농경을 시작했고 5000년 전쯤에 글자를 사용하기 시작했다.

이러한 사실들이 암시하는 것은 지능이 여러 점진적인 단계를 거쳐서 인류에 이르렀고 생존의 핵심요소들이 발생한 다음에는 빠른 속도로 발전되었다는 사실이다. 결국 곤충 단계에 이르기까지가 힘들었던 것이다. 인공지능도 마찬가지이다. 만약에 인공곤충을 만들 수 있다면 인공원숭이는 상대적으로 얼마 안되어 다다를 수 있을 것이다.

한편으로 여기서 또한 주의 깊게 봐야 할 사실은 인간 정도의 지능의 진화는 아주 우연적인 사건이라는 주장이다[Lovelock 81]. 진화론적으로 복잡한 신경계통의 성장을 위해서는 오랜 시간의 유아기를 겪어야 하는 등 두뇌의 발전은 결코 생존 경쟁에 유리하지 못했다. 결국 인간의 두뇌의 여러 특성들은 지능을 개발하기 위해서 처음부터 발전된 것이 아니었다. 원시인이 직립을 하면서 구강구조의 변화를 초래하였고 이에 따라 언어를 사용할 수 있는 능력을 가지게 됨에 따라 두뇌가 보다 고단위의 표상 처리 시스템에 이르게 되었던 것이다. 이는 Brooks가 보다 저 단위의 생존능력(곤충 정도)을 중점적으로 개발하고 이를 바탕으로 지능을 더해 나가려는 의도의 좋은 예이다. 여기서 그는 비교적 단순화된 세계에 복잡한 창조물(creature)을 만들고 점차적으로 그 세계의 복잡성을 증가시키기보다는 가장 역동적인 현실세계에 단순한 창조물(creature)을 만든 뒤 점차적으로 그 창조물의 복잡성을 증가시키는 전술을 사용하고 있다. 이는 어떤 것들이 잘 작동될 때 그것을 바탕으로 그 위에 다음 단계를 쌓아 가는 일반화된 생물학적 원리를 잘 보여주는 것이다. 결국 결함이 없이 작동되는 기존의 시스템 위에 개선이 덧붙여지는 것이며 기존의 시스템 층은 그 위에 더해진 층에 상관없이 거의 무의식적으로 작동된다. 이는 우리가 다른 사람들에게 길을 안내할 때 걷는 방법이나 운전하는 방법부터 다시 가르쳐 주지 않고 그것들을 거의 무의식적으로 하는 행동으로 전제하고 방향만을 가리켜 주는 것과도 같다. 그리고 일단 새로 덧붙여진 단계로 올라감으로써 그 전 단계의 행동을 억제할 필요가 있을 때에 그 하위의 단계는 지워지거나 바뀌는 것이 아니라 상위 단계에 의해 단순히 무시되거나 포함되어지는 것이다.



■　포용 구조(Subsumption Architecture)

포용 구조(Subsumption Architecture)는 로봇학에서 감지장치를 작동장치에 직접 연결하는 병렬적이고 분산된 계산 형식을 말한다[Brooks 1986]. 이는 덧붙여진 기계들의 네트워크로 이루어진 층들을 상술하면서 만들어진다. 이 구조의 주요한 특징은 지능제어 프로그램들을 만드는데 있어 층화(layering)의 방법을 부과하는 데 있으며 각 네트워크 안에서 일정 기능의 기계들이 각 층에 일정한 구조와 상태 저장의 장소를 제공한다.

포용 구조의 저변은 기본적으로 분산적이다. 각 계산요소들 사이에 공유되는 기억장소가 없는 것이다. 어떤 교신 통로도 연결선을 물리적으로 명확하게 규정함으로써 중앙 집중적인 가상세계 모델의 존재를 부정하고 현실세계 그 자체를 모델로 사용한다. 이는 필요한 경우에 언제나 즉각적으로 관련된 사실들을 감지함으로써 현실반영에 뒤떨어질 염려가 없고, 가상 모델과는 달리 변화를 확인하기 위해 해야하는 방대한 계산을 피할 수 있는 장점을 자동적으로 부여해 준다. 실제로 여기서 더 나아가 현실세계를 포용 프로그램 상에서 분산된 부분들끼리의 교신 수단으로 사용하기도 한다. 즉 한 층(layer)은 무엇이 다른 층에 생길 지에 대해 전달받기보다는 직접 현실세계에서 실제로 생긴 일을 감지한다.

가상세계 모델이 없음으로 해서 감지장치의 결합(fusion) 또한 불필요해진다. 현실 세계에 대한 묘사들을 (전체를 제어하고 실행하는) 중앙시스템에 전달하는 '인식체계'가 없는 대신에 포용 구조에서는 각기 다른 감지장치들로부터의 개별적인 인식정보가 개별적인 층들로 직접 전달됨으로써 실행명령들이 행해진다. 그리고 사전에 연결된 우선권에 대한 기획들에 의해 이들 분산된 명령들 사이의 충돌을 해결한다.



■　적용 1-태양계에 진출하는 로봇군

태양계의